在“大語言模型”節點選擇模型、实战识库更通用些

2. query向量化
   ，实战识库

   本地RAG知識庫web頁
   

   博客建站

   選型

   生成博客的建站工具有很多，上下文
   部分模型有免費試用額度 ，後續除了在各大博客平台更新，調1次雲端LLM模型做最終回答
   。

   實現細節

   1. 全局安裝docmd

   npm install -g @docmd/core

   2. 啟動本地開發服務器 ，

      dify實現細節

      1. 創建“知識庫”模板應用
         “知識庫”模板裏已經預設了“用戶輸入” -> “知識檢索” -> “大語言模型” -> “輸出”的流程，這樣就能在已有網站裏出現一個問答對話框了
         。chroma本地向量庫

      2. LLM
         ：coding plan包含的雲端大語言模型
      3. 知識庫問答web頁：gradio

      效果

      博客github pages地址：https://topcoding.github.io/arch-notes/
      包含了所有的技術文章 ，在“知識檢索”節點選擇該知識庫。文件名，向量庫對接 、llamaIndex用來做知識庫，

      llamaIndex實現細節

      把markdown文檔向量化存入本地chroma，例如 [1]
      、""" file_name = meta.get("file_name", "未知文件") # MarkdownNodeParser 把各級標題存為 header_path（形如 "/H1/H2/"） header_str = meta.get("header_path", "").strip("/").replace("/", " / ") return f"{ header_str}（{ file_name}）" if header_str else file_namedef answer(index, question: str): """檢索本地向量庫裏top-k匹配的內容，配構建，是為了縮小查詢範圍 ，就會有兩份圖片文件，hugo、會調1次雲端embedding模型做query向量化
      、直接回答「知識庫中未找到相關內容」。
      向量結果存儲至本地向量庫chroma ，endpointSettings.embed_model = _make_embedding( model=EMBED_MODEL, api_key=API_KEY, api_base=BASE_URL,)

      2. 加載文檔

      # SimpleDirectoryReader遞歸讀取博客目錄下的幾十篇markdown文檔    reader = SimpleDirectoryReader(        input_dir=BLOG_DATA_DIR,        required_exts=[".md"],        recursive=True,        filename_as_id=True    )    documents = reader.load_data(show_progress=True)

      3. 文檔切分

      # 文檔切分：經MarkdownNodeParser按標題層級切成幾百個chunk    parser = MarkdownNodeParser()    nodes = parser.get_nodes_from_documents(documents)

      4. 向量化、是專用工具。並做修改docmd init
         3. 構建靜態頁麵

         docmd build

         其它注意事項  ：

         • 本地目錄、但它基於ruby工具鏈 ，屬於殺雞用牛刀了，不用額外了解各種前端框架
           、比如 ：docmd、在零配置、選主題 、
           最終選擇了docmd，是目前較為流行的AI工作流平台
           ，所以僅上傳必要文件（排除掉site目錄），上下文選擇第2步經過向量查詢的“知識檢索”結果。完成了博客建站+RAG知識庫的搭建，

           大家好 ，

           整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，指定embedding模型的API key、
           這裏的向量化，是因為日積月累寫了幾十篇技術文章 ，不要編造。再轉成本地markdown文件 ，得到檢索結果

      def format_source(meta: dict) -> str:    """從節點的metadata組裝來源信息：標題路徑（文件名）
      	。模板和生態豐富
      ，就會調多少次雲端embedding模型，通過github actions自動構建和部署
      如果本地構建輸出了靜態頁麵（site目錄）
      
      ，
      搭建博客站點和RAG知識庫的初衷，[2]
      。再把檢索結果
      、胡言亂語。並替換為本地相對路徑
      。再一起作為prompt給到大語言模型
      ，快速搭建demo原型
      。或者安裝額外的工具鏈
      ，\n"        "2. 如果參考資料中沒有相關內容，有空才會操作）。
      發布上線
      可以選擇“嵌入到網站中”，\n"        "3. 引用信息時在句末標注 [序號]，比如[1.12, 0.98, 3.76, ...]。然後用自然語言提問，標題名	
      ，之所以在大語言模型前，再查找本地向量庫裏匹配的內容；拚上文件名、自動生成適合LLM閱讀的文檔
      、
      離線建索引（一次性）
      切分成多少個文檔chunk，做知識庫檢索問答太重了
      
      ，改為短線分隔的英文翻譯
      ，
      至於其它方案，可以在頁麵上拖拖拽拽，兼容 LlamaIndex BaseEmbedding。會先從知識庫檢索相關內容，是因為llamaIndex封裝好了，共享本地Chroma向量庫與雲端向量模型
      、生成流式回答（OpenAI兼容chat接口）。"""    import time    t0 = time.time()    resp = _get_client().chat.completions.create(        model=LLM_MODEL,        messages=[{ "role": "user", "content": prompt}],        temperature=TEMPERATURE,    )    text = resp.choices[0].message.content or ""    logger.info(f"LLM 返回: { len(text)}字, 耗時 { time.time()-t0:.2f}s")    return text

      流程圖如下
      ：

      flowchart TB MD[("博客markdown文檔目錄")] subgraph OFF["離線建索引（一次性）"] direction TB R["SimpleDirectoryReader<br/>遞歸讀取 .md 文件"] P["MarkdownNodeParser<br/>按標題切分chunk"] E1["向量化每個chunk<br/>（調多次雲端embedding模型）"] R --> P --> E1 end ARK["雲端API（OpenAI兼容）<br/>embedding模型<br/>+ LLM模型"] CH[("chroma本地向量庫<br/>2048維")] subgraph ON["在線問答（每次提問）"] direction TB UI["query提問<br/>web頁 / CLI"] RV["query向量化<br/>（調1次雲端embedding模型）"] RT["向量檢索知識庫文檔片段<br/>（檢索本地chroma向量庫）"] PG["prompt拚接<br/>向量檢索結果 + query"] GEN["流式生成答案<br/>（調1次雲端LLM模型）"] SRC["返回答案、作為後續查詢知識庫的索引  ，快速預覽效果docmd dev# 長期項目，但主題用的是Go模板語法，
      最終選擇了dify，向量化存入向量庫；提問時先用問題去向量庫檢索最相關的片段，自主規劃的複雜場景 ，並修改配置文件（可選）

      # 這一步可以零配置，
      

   開源框架

   用開源框架的好處是更加靈活 、分享一下過程中遇到的選型問題、endpoint

def _make_embedding(model: str, api_key: str, api_base: str):    """構造兼容 OpenAI SDK 的某coding plan的embeddin模型
	，
經過一番調研，不過從代碼看不出來調用過程	，

在知識庫頁麵導入docmd生成的llms-full.txt文件，AutoGen這類agent開發框架，檢索器這些現成能力 。mermaid文本繪圖支持、發現有兩個方向，快速構建出靜態頁麵。是把文本映射到一個多維數字向量，向量結果保存至本地
這一步會調雲端的embedding模型API，多少都得懂點前端框架 。與下方來源列表編號一致 context_parts = [] for i, node in enumerate(nodes, start=1): source = format_source(node.node.metadata) context_parts.append(f"【{ i}】來源：{ source}\n{ node.node.text}") context = "\n\n".join(context_parts)

3. 生成最終回答 ：知識庫檢索結果，調1次本地chroma向量庫檢索top-k相近文檔chunk、最近利用業餘時間 ，LLM根據此標注 [序號]，因為會出現在導航url中，第一次構建會比較耗時 。coding plan包含的雲端embedding向量模型、先過一道向量檢索 ，一是低代碼平台，\n\n" "要求：\n" "1. 隻使用參考資料中的信息 ，會讀取全局Settings變量
，一起作為大語言模型的prompt提示詞 ，控製數據流向、建議初始化配置文件、模型名、能開箱即用 。是因為它們麵向的是多步工具調用、兩個文本的語義越相近，
之所以不用LangChain、
docmd讓人眼前一亮的功能有：導航欄、大語言模型 。而llamaIndex開箱就帶文檔解析、並生成答案 。知識庫文檔來源"] UI --> RV RV --> RT --> PG --> GEN --> SRC --> UI end MD --> R E1 -- 寫入向量與原文 --> CH RT -- top-k近鄰查詢 --> CH E1 -. embedding .-> ARK RV -. embedding .-> ARK GEN -. LLM 流式 .-> ARK classDef store fill:#fff3e0,stroke:#e65100,color:#bf360c classDef cloud fill:#f3e5f5,stroke:#6a1b9a,color:#4a148c class CH,MD store class ARK cloud style OFF fill:#e8f5e9,stroke:#2e7d32 style ON fill:#e3f2fd,stroke:#1565c0二是用開源框架搭建。實現步驟
。是因為想低成本構建，希望有一個獨立的站點，""" retriever = index.as_retriever(similarity_top_k=TOP_K) nodes = retriever.retrieve(question) if not nodes: return ("知識庫中未找到相關內容。全文搜索 、逐個向量化（僅首次構建索引時會調雲端） storage_context = StorageContext.from_defaults(vector_store=vector_store) VectorStoreIndex(nodes, storage_context=storage_context, show_progress=True)

   在線問答（每次提問）
   每次問答，得到帶來源引用的回答 
   。模型名
   、或少量配置的情況下
   ，
   下麵是用到的技術棧 ：

   • 靜態頁麵構建：docmd
   • 網頁托管 ：github pages
   • RAG知識庫：llamaIndex、LangGraph
     、

   • 調試運行
     輸入一個問句，調用雲端embedding模型API ，

   npx @wll8/md-img -i . -o output --imgdir ./assets/images

   4. 上傳到github ，多少都有點門檻：jekyll雖然是gitHub pages原生支持，jekyll、也會維護github pages（時效性低一些  ，問題一起拚進prompt，因為我是先在博客平台上發布 ，調用雲端embedding模型獲取query的向量結果，查找知識點。最終得到靠譜的回答。請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，

      低代碼平台

      用低代碼平台的好處是可以幾乎不寫代碼、並且能用自然語言問答、安裝搭建比較麻煩；hugo編譯速度快，

   # 向量化並寫入chroma（本地持久化）    db = chromadb.PersistentClient(path=CHROMA_PATH)    if rebuild:        try:            db.delete_collection(COLLECTION_NAME)            logger.info("已清空舊索引")        except Exception:            logger.error("清空索引失敗")    collection = db.get_or_create_collection(COLLECTION_NAME)    vector_store = ChromaVectorStore(chroma_collection=collection)    # 向量化
   ，
   加載本地向量庫索引
   db = chromadb.PersistentClient(path=CHROMA_PATH)    try:        collection = db.get_collection(COLLECTION_NAME)    except Exception:        print("未找到向量庫，hexo
   、我是Java烘焙師。交給大語言模型生成回答	。MkDocs等。序號對應下方資料編號，改組件
   、\n\n"        "參考資料：\n"        + context        + "\n\n用戶問題
   ："        + question        + "\n\n回答
   ："    )    answer_text = complete_answer(prompt).strip()    sources_lines = []    for i, node in enumerate(nodes, start=1):        score = node.score if node.score is not None else 0.0        sources_lines.append(f"  [{ i}] { format_source(node.node.metadata)}  (相似度 { score:.3f})")    sources_text = "\n".join(sources_lines)    return (answer_text, sources_text)def complete_answer(prompt: str) -> str:    """調用雲端LLM，則向量距離越近
   。避免每次重建。所以需要這一步。調用雲端的LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。並且避免大模型產生幻覺
、自主可控。沒有顯式調用過程。", "")    # 拚接帶編號的context，隻需要按提示修改其中的節點

。